元分析：數(shù)據(jù)分析的共識方法與系統(tǒng)模式

譯者序
致謝
第1章　概述和應用1
11　引言1
12　本書為什么重要2
13　本書的組織結構3
14　信息學3
15　分析統(tǒng)計學4
151　值和方差4
152　樣本和總體檢驗5
153　回歸和估計7
16　分析算法12
161　k均值和k近鄰聚類12
162　反聚類14
163　馬爾可夫模型14
17　機器學習16
171　熵16
172　支持向量機和核函數(shù)18
173　概率18
174　降維和信息增益20
175　優(yōu)化和搜索21
176　數(shù)據(jù)挖掘和知識發(fā)現(xiàn)22
177　識別23
178　集成學習24
18　人工智能25
181　遺傳算法26
182　神經(jīng)網(wǎng)絡30
183　免疫算法35
19　一個從頭開始構建分類器的平臺（二分類）37
110　一個從頭開始構建分類器的平臺（一般情況）43
1101　訓練和驗證43
1102　測試和部署49
1103　比較訓練和測試數(shù)據(jù)集上的結果62
111　本章小結63
參考文獻64
擴展閱讀64
第2章　獲取真值65
21　引言65
22　預驗證66
23　根據(jù)訓練數(shù)據(jù)優(yōu)化設置72
24　學習如何學習76
25　從深度學習到深度反學習82
26　本章小結82
參考文獻83
第3章　實驗設計85
31　引言85
32　數(shù)據(jù)歸一化86
321　簡單的歸一化86
322　偏差歸一化87
323　歸一化和實驗設計表90
33　剪枝老化數(shù)據(jù)的設計91
34　系統(tǒng)之系統(tǒng)93
341　系統(tǒng)93
342　混合系統(tǒng)94
343　動態(tài)更新的系統(tǒng)95
344　接口95
345　增益95
346　領域歸一化97
347　靈敏度分析98
35　本章小結99
參考文獻99
第4章　元分析設計模式100
41　引言100
42　累積響應模式101
421　識別感興趣的區(qū)域102
422　面向序列相關的預測性選擇的感興趣的區(qū)域104
423　傳統(tǒng)的累積增益曲線105
43　分析的優(yōu)化111
431　決策樹111
432　假定身份觸發(fā)模式112
433　期望最大化和最大-最小模式113
44　模型一致性模式116
441　混合回歸117
442　建模和模型擬合117
45　共現(xiàn)和相似性模式118
46　靈敏度分析模式119
47　混淆矩陣模式120
48　熵模式121
49　獨立模式124
410　功能式NLP模式（宏觀反饋）127
411　本章小結127
參考文獻129
第5章　靈敏度分析和大型系統(tǒng)工程130
51　引言130
52　數(shù)據(jù)集本身的靈敏度分析132
53　解決方案模型的靈敏度分析135
54　單個算法的靈敏度分析136
55　混合算法的靈敏度分析137
56　到當前狀態(tài)的路徑的靈敏度分析138
57　本章小結140
參考文獻141
第6章　多面預測性選擇142
61　引言142
62　預測性選擇142
63　預測方法143
64　選擇方法144
65　多路徑方法149
66　應用151
67　靈敏度分析151
68　本章小結151
參考文獻152
第7章　建模和模型擬合153
71　引言153
72　用于分析的化學類比154
73　用于分析的有機化學類比156
74　用于分析的免疫學和生物學類比157
75　用于模型設計和擬合的匿名化類比159
76　最小平方誤差、誤差方差和熵：擬合優(yōu)度159
77　創(chuàng)建屬于自己的多個模型160
78　本章小結161
參考文獻161
第8章　同義詞-反義詞模式和強化-無效化模式162
81　引言162
82　同義詞-反義詞模式163
83　強化-無效化模式164
84　各種模式的廣泛適用性167
85　本章小結167
參考文獻168
擴展閱讀168
第9章　關于分析的分析169
91　引言169
92　關于分析的分析170
921　熵與出現(xiàn)向量170
922　功能指標173
923　期望最大化方法174
924　系統(tǒng)設計的注意事項175
93　根據(jù)訓練數(shù)據(jù)優(yōu)化設置175
94　混合方法176
95　關于分析的其他探索領域177
96　本章小結178
參考文獻178
擴展閱讀179
第10章　系統(tǒng)設計優(yōu)化180
101　引言180
1011　系統(tǒng)考量—重新審視系統(tǒng)增益181
1012　系統(tǒng)增益—重新審視和擴大系統(tǒng)偏差182
1013　投資與回報185
102　模塊優(yōu)化185
103　聚類與正則化186
1031　平方和正則化189
1032　方差正則化189
1033　簇大小正則化190
1034　小型簇正則化191
1035　簇數(shù)量正則化191
1036　對正則化方法的討論192
104　分析系統(tǒng)的優(yōu)化192
105　本章小結193
參考文獻193
第11章　射幸技術和專家系統(tǒng)技術194
111　引言194
112　兩種射幸模式回顧195
1121　特征射幸模式的依次移除195
1122　特征輸出射幸模式的時序變化198
113　為測試添加隨機元素199
114　高光譜射幸方法201
115　機器學習和統(tǒng)計學習中的其他射幸應用202
116　專家系統(tǒng)技術202
117　本章小